Az AI modellek kereskedelmi adatokra eresztése megoldhatja az ellátási láncok globális válságát, de azt továbbra sem hiszi el senki, hogy a mesterséges intelligencia e területen mindenhatóvá hízhatna.
Sokat foglalkoztunk az utóbbi időben a generatív AI-k tavalyi, sikeres színrelépése nyomán az öntanuló algoritmusok e-kereskedelemre és világgazdaságra gyakorolt hatásával. Alig van olyan területe az életnek, ahol nem hoz majd gyökeres fordulatot ezek elterjedése (legyen szó akár az online marketingről, de akár a deepfake pornóiparról), igaz, vannak kevésbé szem előtt lévő területek is. Sokkal kevésbé látványosan, de nyilvánvalóbban és hamarabb alakíthatja majd át például a technológia a globális ellátási láncok felügyeletét és a pénzügyi kockázatelemzés szektorát.
Az amerikai McKinsey friss elemzése szerint alapvetően öt nagy területen hozhat majd forradalmi változást az, hogy az egyre fejlettebb öntanuló algoritmusok és AI alapú megoldások nagyobb adathalmazokat és egyre magabiztosabban lesznek képesek feldolgozni. A tanácsadó cég kutatása szerint ezek alapjaiban alakítják át az ellátási láncokkal kapcsolatos vállalatirányítási rendszereket.
Az öt tétel a következő:
Az öntanuló algoritmusokban rejlő lehetőség
A korona-vírus járvány alatt kialakult ellátási problémák, mind a privát, mind a kormányzati szereplőket meglehetősen felkészületlenül érték. Három évvel a helyzet kialakulása után azonban már annak jelei válnak láthatóvá, hogy mindkét szektor felismerte a nyelvi modellekben és öntanuló algoritmusokban rejlő lehetőségeket.
A Bloomberg e témával foglalkozó írásában megszólaló elemzők egyöntetűen úgy gondolják, hogy az egyre precízebb előrejelzéseket generáló modellek már rövid távon is jelentősen csökkenthetik az ellátási láncok problémáiból fakadó globális károkat. A magyarázat leginkább az egyébként meglehetősen komplikáltan feldolgozható és beszerezhető kereskedelmi adatok minőségi javulásában keresendő. Ugyanakkor az is tagadhatatlan, hogy a ChatGPT és más, hasonszőrű generatív nyelvi modellek is robbanásszerű fejlődésen mentek át az utóbbi években.
A több millió rekordot tartalmazó és számos formátumban, különböző szereplők által szolgáltatott nyers adatok feldolgozása manuálisan meglehetősen sziszifuszi munka volt. Ezek az adatok azonban az AI-alapú eszközök segítségével jóval könnyebben feldolgozható formátumban komoly támaszt jelenthetnek a döntéshozatalban.
Itt az Amazon, a Google és a Microsoft is
Napjaink logisztikai menedzserei az ilyen eszközök segítségével komoly előnyre tehetnek szert. Arra, hogy ebben mekkora üzleti lehetőség is rejlik, jó visszajelzés, hogy a logisztikai feladatokra specializált eszközök legnagyobb fejlesztői között ott találjuk az Amazont, a Google-t és a Microsoftot is.
Talán a legismertebb megoldásnak számít az Amazon Sagemaker. Az Amazon Web Services 2017-ben elindított gépi tanulási platformja ez, amely lehetővé teszi a fejlesztők számára, hogy a cég által szolgáltatott infrastruktúrában gépi tanulási modelleket hozzanak létre, képezzenek és futassanak. Az AWS Supply Chain pedig egy olyan felhő alapú alkalmazás, amely egyesíti az adatokat, ML-alapú, használható betekintést, beépített kontextuális együttműködést és igénytervezést biztosít a kapott adatokhoz. Valamint: könnyedén csatlakoztatható bármilyen, már meglévő vállalati erőforrás-tervezési és ellátási lánc menedzsment rendszerhez.
A rivális Google Vertex AI platformja szintén lehetővé teszi az ügyfelek számára, hogy teljesen felügyelt ML-eszközöket futtasanak – a Google Cloud bármely szolgáltatásába építve. A Vertex segítségével a cégek létrehozhatják az ellátási láncuk digitális ikertestvérét, amely végpontok közötti láthatóságot, riasztásvezérelt eseménykezelést, elemzést és csapatok közötti együttműködést biztosít a teljes szervezet számára. A vezető három platform közül a legfiatalabb, a 2022 novemberében Microsoft által bemutatott, Azure-ra épülő Supply Chain Platform. A Microsoft Azure ML lehetővé teszi az adattudósok és fejlesztők számára, hogy gyorsabban és magabiztosan építsenek, telepítsenek és kezeljenek nyelvi modelleket.
Ellátási lánc AI-alapokon
A már említett Bloomberg riportjában többek között bemutat számos olyan multinacionális céget, mint a Nestlé vagy a Mercedes Benz csoport, amelyek már komolyan beruháztak az ellátási lánc AI alapú fejlesztésébe. A svájci élelmiszeripari óriás leginkább a termékminőségi előírások betartására, a patinás német autógyártó a beszállítók folyamatos monitorozására használja az gépi tanulással operáló Ominverse névre hallgató plaftormját.
A gépi tanulást alkalmazó AI eszközök erejét már felfedezték Washingtonban is. A politika számára is egyre nyilvánvalóbbá válik ugyanis, hogy a szabadpiacon korábban nem tapasztalt mértékű szabadság (amely az elmúlt évtizedet jellemezte) egyre komplexebbé és korlátozottabbá válik. Az áruk globális szabad áramlása előtt egyre újabb és újabb nehézségek jelennek meg, mint a védővámok, vagy éppen geopolitikai és háborús bizonytalanság, amelyek egyre komolyabb kihívások elé állítják a logisztikai szakembereket.
Az AI alapú logisztikai eszközök, a látható és nyilvánvaló fejlődés ellenére azonban korántsem jelentenek teljes gyógyírt a jövőben felmerülő, ellátási láncokkal kapcsolatos globális problémákra. Az már most látható, hogy ezekkel az eszközökkel, csak olyan piacokon lehet jó eredményt elérni, ahol transzparens és nyílt az adatszolgáltatás. A megfelelő adatok hiánya például lehetetlenné teszi ezen adatok algoritmikus feldolgozását, ha éppen Oroszországról, Beloruszról vagy az Egyesült Arab Emirátusokról van szó. Ezekben az országokban számos olyan üzleti megoldást alkalmaznak például a szankciók kijátszására, amelyek szinte lehetetlenné teszik az AI alapú eszközök használatát.
Továbbra is felkilátó jelként villog a globális kereskedelem humán komponense: a gépi tanulásos módszerek még korántsem alkalmazhatók minden üzleti döntés meghozatalához. Azokban az esetekben, ahol a tárgyalópartnerek közötti üzleti megbeszélés során jelentősége van a gépek számára olyan értelmezhetetlen szempontoknak is, mint a testbeszéd, a kreatív információ megosztás továbbra sem várható áttörés a gépi tanulásos nyelvi modellektől.
